多模型 AI 工作流教學：從拆任務到串接不同模型

把一件工作拆開、分別交給不同模型、再把結果接回同一條流程，中間牽涉到好幾個問題：這件事該不該拆、要拆給誰、不同供應商的模型要怎麼接在同一支程式裡、模型之間怎麼交接資料與互相審查，以及流程正式上線之後要怎麼追蹤與防護。這個系列把這幾個問題，依照從觀念到動手接線、再到長期營運的順序，一篇一篇拆開講清楚；另有一節專講 Claude Code、Codex 這類代理工具怎麼搭配自己電腦上的本機模型。

一般使用者可以先從觀念的幾篇看起，弄懂一次對話、可重跑的流程與自己決定下一步的代理三個層次有什麼差別，以及把工作拆給多個模型有哪些依據與代價；已經會寫 Python 與命令列的人，可以直接跳進接線的幾篇，學怎麼用同一支程式換供應商、設計便宜先試的路由與級聯、讓模型之間用結構化輸出交接資料；已經在用 Claude Code 或 Codex、想接上自己電腦上的模型的人，可以從搭本機模型的那一節開始。讀完整個系列，你會有一套判斷什麼時候該拆、依什麼依據拆、拆完怎麼接起來、怎麼量成本與抓錯，以及上線後怎麼防止流程自己失控的完整想法，不只是學會單一工具的操作。

先懂觀念：拆解、切法與取捨

一次對話、可重跑的流程與自己決定下一步的代理，三者的差別，《AI 工作流是什麼：從一次對話到可重跑的流程》先把這三層分清楚，才看得出一件事目前卡在哪一層。接著要判斷該不該拆、又該怎麼拆，《一件事拆給多個模型：依步驟、能力、風險、資料敏感度四種切法》整理出依步驟、依能力、依風險、依資料敏感度四種切法，讓你照工作本身的性質決定要不要拆、又該挑哪一種切法，而不是憑感覺亂拆。拆完了值不值得，還要看怎麼取捨，《成本、品質、延遲：多模型流程怎麼取捨》把成本、品質、延遲三個量分開算清楚，比較單一旗艦、級聯與並行互審幾種架構各自的代價，讓你在動手接線之前，先想清楚值不值得多拆一層。

接線：統一介面、路由級聯、交接資料

決定要拆之後，第一件事是讓程式不用為每家供應商重寫一份呼叫邏輯，《統一 API 層：OpenRouter 與 LiteLLM 換模型不改程式》示範同一段程式換掉 base_url、金鑰與 model 字串，就能連到別家模型。介面統一了，再往上疊一層判斷，《模型路由與級聯：便宜先試、貴的兜底》講的是便宜的模型先答，信心不夠或逾時出錯才升級給更貴的模型，把多數請求的成本壓低，同時保留少數困難請求的品質。模型換來換去，交接的格式也要先講好，《模型之間交接資料：JSON Schema 與結構化輸出》把交接寫成 JSON Schema，讓上游模型的輸出先驗證再送下游，下游只讀取通過驗證的欄位。

協作與工具：代理分工、共用工具、混合部署

接線接好之後，實際動手寫程式常常不是一個代理從頭做到尾，《Claude Code、Codex、Gemini CLI 分工：規劃、執行、審查》示範怎麼讓三支命令列代理接力完成同一個編碼任務，一支只負責規劃、一支負責動手改程式、一支負責審查，靠檔案交接而不是共用對話紀錄。三支代理要用同一批工具時，《一個 MCP 伺服器，同時接上 Claude Code、Codex、Gemini CLI 三個客戶端》示範同一支 MCP 伺服器不必改程式，就能同時登記進三個客戶端，只是每邊的設定檔與白名單要分開設定。工具接好了，還要決定哪一段該留在自己的電腦上，《本機去識別化、雲端收尾：用 Ollama 打造混合式 AI 工作流》示範用本機模型先做分類與去識別化這類會碰到原始個資的步驟，換成代號的乾淨文字才送進雲端模型收尾。

營運與防護：互審、追蹤、擋住失敗

模型接起來之後，答案好不好不能只靠自己的印象，《多模型互審：LLM 當評審、投票與集成怎麼做》示範讓一個獨立的模型依照寫死的評分準則，對其他模型的答案逐條打分，再用投票或集成整理出判斷。流程正式上線，還要知道哪一步出了問題，《追蹤、評測與可觀測性：知道流程哪一步出錯》示範只用 Python 標準函式庫自寫一支追蹤器，記下每一步的輸入雜湊、模型與延遲，再用離線評測集比較新舊兩版流程。最後，《失敗案例與防護：迴圈、費用爆炸與代理間注入》整理無限重試迴圈、fan-out 費用爆炸、上游輸出被下游當成指令這三種常見失控，各自配一種對應的防護，讓流程在失控之前就先擋下來。

搭本機模型：代理工具的接法、標籤與檢查清單

Claude Code、Codex 這類代理工具要怎麼搭配自己電腦上的本機模型，這一節各篇的步驟都來自官方文件，本站沒有實測。要先決定怎麼接，《Claude Code、Codex 搭本機模型：兩種接法怎麼選》不需要寫程式，依資料能不能出門、上下文開得夠不夠長、工作的類型，在代理照常連雲端、把雜務交給本機模型，與把代理的模型整個換成本機模型之間選出接法，並對照 Anthropic、Ollama、LM Studio 與 OpenAI 的官方文件怎麼寫，包括 Anthropic 的文件對把 Claude Code 接到非 Claude 模型的說法。選好接法之後，要分清楚名字相同的模型到底跑在哪裡，《GLM、Qwen、DeepSeek 接上 Claude Code 與 Codex：哪些在本機、哪些其實在雲端》逐家看 GLM、Qwen、DeepSeek 在 Ollama 的標籤哪些能下載到自己電腦、哪些只有 :cloud，也整理供應商自己的端點怎麼接 Claude Code 與 Codex，每一處都標明資料會送到哪裡，讓你不會把 :cloud 標籤或供應商端點誤當成本機。要讓雲端代理把大量雜務交給本機模型，《讓 Claude Code、Codex 把大量雜務交給本機模型：一支 Python 腳本》示範把一批文字檔交給一支 Python 腳本，由腳本逐檔問本機的 Ollama 模型、照 JSON schema 回答並寫成結果檔，代理只讀結果，也寫了 Claude Code 的 deny 規則與 Codex 的 permission profile（文件標示為 beta）各擋得住原始檔到什麼程度，以及逾時、分批與失敗標記。同樣的事也能做成工具，《把本機模型包成 MCP 工具，Claude Code 與 Codex 共用一支伺服器》把本機模型包成一支 stdio 的 MCP 伺服器，Claude Code 與 Codex 各登記一次就能共用，並列出兩邊逾時的官方預設值差在哪裡、輸出量又各怎麼管。如果想讓整個代理都改用本機模型，《把 Claude Code、Codex 整個換成本機模型：Ollama 與 LM Studio 設定與還原》寫出 Ollama 與 LM Studio 的指令、這兩家文件建議的上下文長度、怎麼用 /status 確認 Claude Code 現在連到的是誰，以及用完怎麼還原。動手之前，《Claude Code、Codex 搭本機模型的注意事項：開工前的檢查清單》把前面各篇的坑收成一張表，每一項只問一句怎麼檢查，讓你能逐項核對資料有沒有離開電腦、現在連的是誰、上下文開了多長與結果怎麼驗收。

• AI 工具
• 教學
• AI 寫程式與本機模型